Нейросеть для конвертации PDF в Word и JSON: модель lift извлекает поля с точностью 90% локально

Лабораторию Datalab знают по открытым OCR-инструментам: chandra, marker и surya. Модель lift продолжает эту линейку, но решает другую задачу: не просто распознаёт текст, а извлекает конкретные поля по заданной схеме. Вы описываете, какие данные нужны (номер счёта, сумма, список позиций), передаёте PDF, и получаете заполненный JSON. Для тех, кто ищет нейросеть для конвертации PDF в структурированные данные, это принципиально новый инструмент: не просто «PDF в Word», а «PDF в точный набор полей».

Как работает извлечение данных?

Вы передаёте модели два входа: сам документ (PDF или изображение) и JSON-схему, описывающую, какие поля нужно достать. Модель читает весь документ целиком за один проход, даже если он многостраничный, и значения могут быть разбросаны по разным страницам.

Ключевой механизм называется schema-constrained decoding, декодирование с ограничением по схеме. Работает это так: на каждом шаге генерации модель выбирает следующий токен (минимальную единицу текста) только из тех, которые не нарушают заданную структуру. Токены, ломающие JSON, блокируются ещё до выбора. Результат всегда соответствует схеме по форме.

Но есть принципиальное ограничение. Гарантия распространяется на структуру и типы данных, а не на смысл. Поле с типом «число» всегда будет содержать число. Правильное ли это число, модель не гарантирует. Валидность формата и корректность содержания это разные вещи.

Если модель не находит значение в документе, она возвращает null вместо того, чтобы выдумать ответ. Это обученное поведение: галлюцинация (когда ИИ уверенно выдумывает данные, которых нет в документе) здесь опаснее пустого поля, потому что ложный номер договора или сумму трудно отловить дальше по цепочке.

Что показал бенчмарк?

• 90,2% точности по отдельным полям. Среди моделей с открытыми весами (open weights), которые можно развернуть локально, lift показала лучший результат в тесте Datalab.
• Быстрее облачных API. Медианное время 9,5 секунды на документ, по данным Datalab, примерно в 3 раза быстрее, чем Gemini Flash 3.5, при сопоставимой точности по полям (разница около одного процентного пункта).
• 20,9% точности по целым документам. Это жёсткая метрика: каждое поле в документе должно быть извлечено верно. Результат выше, чем у других локальных моделей в тесте, но сам показатель говорит о том, что четыре из пяти документов содержат хотя бы одну ошибку.
• Конкуренты в тесте: NuExtract3 (специализированная модель для извлечения) и Qwen3.5-9B (мультимодальная модель общего назначения, приспособленная к задаче). lift обошла обе по точности полей.

Тест включал «ловушки»: значения, растянутые через несколько страниц, поля, которые должны остаться пустыми, и похожие, но неправильные варианты ответов. Все модели получали одинаковые отрендеренные изображения страниц.

Что делать с этим прямо сейчас?

Разработчику и техническому специалисту. lift можно развернуть локально через HuggingFace или vLLM-сервер (Datalab рекомендует второй вариант для продакшена). Код под Apache 2.0, веса под модифицированной лицензией OpenRAIL-M. Если вы строите пайплайн обработки договоров, счетов или актов и не хотите отправлять документы в облако, это рабочий вариант для прототипа. Но проверяйте схемы: конструкции enum, anyOf/oneOf, $ref и additionalProperties не компилируются. Модель не упадёт с ошибкой, а молча уберёт ограничение и сгенерирует ответ без гарантии структуры. Всегда валидируйте результат на своей стороне.

Автору и контент-маркетологу. Если вы работаете с большими объёмами PDF (прайсы, каталоги, отчёты) и ищете нейросеть для конвертации PDF в Word или структурированный формат, lift пока не замена привычным конвертерам. Это инструмент для точечного извлечения полей, а не для полного воспроизведения документа. Но если задача конкретная (достать из 50 счетов номера и суммы), модель справляется.

Предпринимателю в РФ. Модель работает локально, данные не покидают ваш сервер. Для компаний с чувствительными документами (финансы, персональные данные) это существенно. Облачные альтернативы (Azure Document Intelligence, Google Document AI) требуют отправки файлов на зарубежные серверы. Из российских инструментов схожую задачу OCR решают сервисы «Яндекса» и отдельные модули GigaChat, но специализированной модели для schema-driven извлечения с открытыми весами на рынке РФ пока нет.

Если у вас есть стопка однотипных PDF и конкретный список полей, которые нужно из них достать, lift стоит попробовать на тестовой выборке из десяти документов: так вы за час поймёте, хватает ли точности для вашей задачи, до того как строить полный пайплайн.

По данным Datalab